关于电子商务系统中协同过滤推荐技术研究.docVIP

关于电子商务系统中协同过滤推荐技术研究 　　摘要：本文主要研究了个性化推荐系统中最广泛应用的协同过滤推荐技术，其算法思路及主要步骤，影响其推荐准确性和预测结果的冷开始问题和稀疏问题，最后再提出了一个优化协同过滤推荐方法的思路。 　　关键词：个性化推荐、协同过滤推荐、冷开始问题、稀疏问题 　　Abstract: In this paper we mainly discuss the Collaborative Filtering algorithm which is widely applied in E-commerce. This article presents the idea of Collaborative Filtering algorithm and tis main step. It analyzes the problem of cold star and data sparsity which affect the accuracy of predicition and results, as well as an idea of improvement Collaborative Filtering algorithm. 　　Key words: Personalization Recommendation; Collaborative Filtering; Cold star; Data Sparsity 　　【中图分类号】F724.6 【文献标识码】A [文章编号] 　　 　　一、研究背景 　　从本质上讲，电子商务系统是一种传统商务的延伸，移植到Internet上的系统。它融合了高新技术，例如计算机技术、网络技术、数据库技术、存储机制、安全技术等，是一种全新的经济模式。对于企业而言，电子商务系统不仅仅是一个门户，而成为不可忽略的经营场所。 　　随着Internet的快速发展，海量的商品信息增加了客户采购的难度。人们往往难于迅速准确地找到自己所需的物品。在电子商务系统上，为了有效地吸引顾客，将信息浏览者转换为商品购买者，提高交叉销售能力，必须引入个性化推荐技术，使其商务模式由以供应商为中心转变为以客户为中心,提高客户对网站的忠诚度。利用个性化推荐服务工具收集客户的兴趣爱好，有针对性地向客户推荐其可能感兴趣的商品，从而提高商品成交量。有数据统计发现，引入了个性化推荐服务的电子商务系统的销售量提高了2%-8%。 　　常见的个性化推荐技术有协同过滤推荐、基于关联规则的推荐、基于内容的推荐、基于客户统计信息的推荐、基于效用的推荐、基于知识的推荐等。协同过滤推荐是个性化推荐中研究和应用最多的方法，被国际学术界广泛关注。本文主要讨论协同过滤推荐算法思路及主要步骤，影响推荐性能的边界问题即冷开始问题和稀疏问题，最后再提出优化的协同过滤推荐算法。 　　二、协同过滤推荐算法思路及步骤 　　协同过滤推荐能对非结构化的复杂对象提供准确性较高的个性化推荐结果。协同过滤推荐算法的目的是为客户推荐其感兴趣的商品，使用的方法是找到和客户共同兴趣的相似客户。它的基础是：1、客户是可以按兴趣分类的；2、客户对不同商品评价包括了客户的兴趣信息；3、客户对未知商品的评价将和相似客户的评价相似。 　　协同过滤推荐算法的一种可能的出发点是以客户之间的关系为中心，兴趣相近的客户可能会对同样的东西感兴趣，所以只要维护关于客户喜好的数据，从中分析得出具有相似品味的客户，然后就可以根据相似客户的意见来向其进行推荐；另一种可能的出发点是以项目与项目之间的关系为中心，客户可能偏爱与其已购买的商品类似的东西，那么可以根据客户对各种东西的评价来判断商品之间的相似程度，然后推荐与客户兴趣度最接近的那些商品。 　　协同过滤推荐算法的基本思路是基于邻居客户的兴趣爱好预测目标客户的兴趣偏好。借助统计技术，寻找与目标具有相同喜好的邻居，然后根据目标客户的邻居的偏好产生向目标客户的推荐。过程简要描述如下：1、输入“客户-项目”评价矩阵；2、选取相似性度量方法，常见的有余弦相似性、修正的余弦相似性、相关相似性、求煽等方法；3、完成聚类，形成邻居客户集合，常用的方法有TOP-N，k近邻方法、阈值法、聚类、贝叶斯网络等；4、最后生成预测，常见的方法有简单平均、加权平均、中心加权平均、标准加权平均等方法。 　　协同过滤推荐算法的四个步骤： 　　1、表示 　　客户和他们对商品的评分数据，可以用以个m×n阶“客户-项目”评分矩阵，如下图1-1。m行代表m个客户，n列代表n个项目，第i行j列的元素Rij代表客户i对商品j的评分。这个评分可以是0、1，分别代表客户喜欢和不喜欢，也可以是客户喜欢的等级程度，例如0-5之间的整数，0表示无评分，1-5表示喜